一种含分布式电源的配电网多目标优化方法与流程

1.本发明涉及电网优化的技术领域，尤其涉及一种含分布式电源的配电网多目标优化方法。


背景技术：

2.近年来，人们对经济、清洁、高效的分布式电源的需求不断提高，促使传统电网急需向含有大量分布式电源的智能电网转变山。但是，各种分布式电源的特性不同，运行方式相差较大，接入后会给配电网的规划、预测和运行带来很大的不确定性。如柴油机发电虽然成本低，但污染严重；风力发电和光伏发电无污染，但一次设备成本高，易受天气影响，功率输出不易控制；燃料电池污染小、易控制，但反应速度慢、成本高；储能设备虽然反应速度快，但不易与其他电源协调运行，从而导致配电网的运行成本和环境成本消耗大。


技术实现要素：

3.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
4.鉴于上述现有存在的问题，提出了本发明。
5.因此，本发明提供了一种含分布式电源的配电网多目标优化方法，能够解决配电网成本消耗大和优化效果不佳的问题。
6.为解决上述技术问题，本发明提供如下技术方案：包括，采集配电网的历史电力负荷数据，并将所述历史电力负荷数据输入至电力负荷预测模型，进行负荷预测；根据负荷预测值构建约束条件，并判断分布式电源容量是否满足所述约束条件；若满足，则初始化种群，设计目标优化函数，并根据所述目标优化函数计算适应度；将已初始化的种群p划分为种群n和种群m，根据所述适应度分别迭代更新种群n和种群m的位置；若达到最大迭代次数t，则输出全局最优位置，即目标优化函数的最优解；否则，则继续迭代更新所述种群n和种群m的位置。
7.作为本发明所述的含分布式电源的配电网多目标优化方法的一种优选方案，其中：所述电力负荷预测模型包括，所述历史电力负荷数据包括平均温度、最高温度、最低温度、相对湿度、星期类型以及24个时刻的负荷；基于长短期记忆网络，以第n
‑
1天的电力负荷数据和第n天的平均温度、最高温度、最低温度、相对湿度、星期类型作为输入，以第n天的24个时刻的负荷作为输出，构建34输入和24输出的电力负荷预测模型。
8.作为本发明所述的含分布式电源的配电网多目标优化方法的一种优选方案，其中：所述约束条件包括，
9.p
imin
≤p
i
≤p
imax
10.s
min
≤s
t
≤s
max
11.其中，p
i
为第i个发电单元的输出功率，s
t
为t时刻的分布式电源容量。
12.作为本发明所述的含分布式电源的配电网多目标优化方法的一种优选方案，其中：所述初始化种群包括，对发电单元的输出功率进行编码，在区间[p
imin
,p
imax
]内随机生成n个个体。
[0013]
作为本发明所述的含分布式电源的配电网多目标优化方法的一种优选方案，其中：所述目标优化函数包括，
[0014]
min y
i
＝α1c
ei
+α2c
si
+α3c
mi
[0015]
其中，α1、α2和α3为加权系数，c
ei
为配电网的运行维护成本，c
si
为配电网的环境保护成本，c
mi
为配电网的综合效益成本。
[0016]
作为本发明所述的含分布式电源的配电网多目标优化方法的一种优选方案，其中：还包括，所述配电网的运行维护成本c
ei
如下式：
[0017]
c
ei
＝z(c
ei1
+c
ei2
)
[0018]
所述配电网的环境保护成本c
si
如下式：
[0019][0020]
所述配电网的综合效益成本c
mi
如下式：
[0021]
c
mi
＝[c
ei
,c
si
]
[0022]
其中，c
ei1
为第i个发电单元的燃料消耗成本，c
ei2
为第i个发电单元的运行管理成本，z为发电单元的数量；为第i个发电单元的污染物排放治理成本。
[0023]
作为本发明所述的含分布式电源的配电网多目标优化方法的一种优选方案，其中：所述适应度包括，
[0024][0025]
其中，f为所述适应度，为平均加权系数，
[0026]
作为本发明所述的含分布式电源的配电网多目标优化方法的一种优选方案，其中：所述迭代更新种群n和种群m的位置包括，根据下式迭代更新所述种群n：
[0027][0028]
基于上式，迭代更新所述种群m：
[0029]
[0030]
其中，x
i,j
为种群n中的第i个个体在第j维的位置；β∈(0，1]为随机数；t为当前迭代次数；j＝1，2，3
……
d，d为待优化变量的维数；t为所述最大迭代次数；r和st分别为位置预警值和位置安全值；q为服从正态分布的随机数，l为1
×
d的矩阵，矩阵元素由1组成；x
p
为当前种群n占据的最优位置；x
worst
为当前种群n占据的最差位置；a为1
×
d的矩阵，矩阵元素由1和
‑
1组成，且a
+
＝a
t
(aa
t
)
‑1；n为种群的个体数量。
[0031]
本发明的有益效果：本发明通过结合神经网络和遗传算法，综合考虑配电网的消耗成本和综合效益，有效地提高了经济效益，且收敛速度快。
附图说明
[0032]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0033]
图1为本发明第一个实施例所述的一种含分布式电源的配电网多目标优化方法的流程示意图；
[0034]
图2为本发明第一个实施例所述的一种含分布式电源的配电网多目标优化方法的历史电力负荷数据示意图；
具体实施方式
[0035]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0036]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0037]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0038]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0039]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0040]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，
也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0041]
实施例1
[0042]
参照图1～图2，为本发明的第一个实施例，该实施例提供了一种含分布式电源的配电网多目标优化方法，包括：
[0043]
s1：采集配电网的历史电力负荷数据，并将历史电力负荷数据输入至电力负荷预测模型，进行负荷预测。
[0044]
参照图2，采集的历史电力负荷数据包括平均温度、最高温度、最低温度、相对湿度、星期类型以及24个时刻的负荷；
[0045]
基于长短期记忆网络(lstm)，以第n
‑
1天的电力负荷数据和第n天的平均温度、最高温度、最低温度、相对湿度、星期类型作为输入，以第n天的24个时刻的负荷作为输出，构建34输入和24输出的电力负荷预测模型。
[0046]
s2：根据负荷预测值构建约束条件，并判断分布式电源容量是否满足约束条件。
[0047]
(1)构建约束条件：
[0048]
p
imin
≤p
i
≤p
imax
[0049]
s
min
≤s
t
≤s
max
[0050]
其中，p
i
为第i个发电单元的输出功率，s
t
为t时刻的分布式电源容量。
[0051]
(2)若分布式电源容量满足上述约束条件，则初始化种群，设计目标优化函数，并根据目标优化函数计算适应度。
[0052]
具体的，初始化种群的步骤如下：
[0053]
采用浮点数的编码方式(个体基因值用某范围内的一个实数来表示，编码长度等于决策变量的个数)对发电单元的输出功率进行编码，然后在区间[p
imin
,p
imax
]内随机生成n个个体，进而完成种群初始化。
[0054]
较佳的是，通过采用浮点数的编码方式对初始种群进行处理，加快了优化效率。
[0055]
进一步的，设计目标优化函数：
[0056]
min y
i
＝α1c
ei
+α2c
si
+α3c
mi
[0057]
其中，α1、α2和α3为加权系数，c
ei
为配电网的运行维护成本，c
si
为配电网的环境保护成本，c
mi
为配电网的综合效益成本。
[0058]
具体的，配电网的运行维护成本c
ei
如下式：
[0059]
c
ei
＝z(c
ei1
+c
ei2
)
[0060]
配电网的环境保护成本c
si
如下式：
[0061][0062]
配电网的综合效益成本c
mi
如下式：
[0063]
c
mi
＝[c
ei
,c
si
]
[0064]
其中，c
ei1
为第i个发电单元的燃料消耗成本，c
ei2
为第i个发电单元的运行管理成本，z为发电单元的数量；为第i个发电单元的污染物排放治理成本。
[0065]
再进一步的，根据下式计算目标优化函数的适应度：
[0066][0067]
其中，f为适应度，为平均加权系数，
[0068]
s3：将已初始化的种群p(麻雀)划分为种群n(发现者)和种群m(加入者)，根据适应度分别迭代更新种群n和种群m的位置。
[0069]
其中需要说明的是，每只麻雀只有一个属性：位置，代表它找到的食物的位置，即目标优化函数的的最优解；每只麻雀共有的两种行为：
①
发现者，继续搜索食物；
②
跟随者，跟随一个发现者觅食。
[0070]
根据下式迭代更新种群n的位置：
[0071][0072]
其中，x
i,j
为种群n中的第i个个体在第j维的位置；β∈(0，1]为随机数；t为当前迭代次数；j＝1，2，3
……
d，d为待优化变量的维数；t为最大迭代次数；r∈[0，1]和st∈[0.5，1]分别为位置预警值和位置安全值；q为服从正态分布的随机数，l为1
×
d的矩阵，矩阵中的每个元素都为1。
[0073]
当r<st时，意味着此时的觅食环境周围没有捕食者，发现者可以执行广泛的搜索操作；若r≥st，则表示种群p中的一些麻雀已经发现了捕食者，并向种群中的其它麻雀发出了警报，此时所有麻雀都需要迅速飞到其它安全的地方进行觅食。
[0074]
对于种群m，在寻优(觅食)过程中，一些种群m(加入者)会时刻监视着种群n(发现者)，一旦它们察觉到种群m已经找到了更好的食物，它们会立即离开现在的位置去争夺食物；如果它们赢了，它们可以立即获得该发现者的食物，否则需要继续更新自己的位置，种群m(加入者)的位置更新描述如下：
[0075][0076]
其中，x
p
为当前种群n占据的最优位置；x
worst
为当前种群n占据的最差位置；a为1
×
d的矩阵，其中每个元素随机赋值为1或
‑
1，且a
+
＝a
t
(aa
t
)
‑1；n为种群的个体数量。
[0077]
当时，其值为一个标准正态分布随机数与一个以自然对数为底数的指数函数的积，当种群m收敛时其取值符合标准正态分布随机数(其值会收敛于0)。
[0078]
若时，其取值为当前最优的麻雀的位置加上该麻雀与最优位置每一维距离
随机加减后，将总和均分到每一维上；即在当前最优位置附近随机找一个位置，且每一维距最优位置的方差将会变得更小，即不会出现在某一维上与最优位置相差较大，而其他位置相差较小(其值收敛于最优位置)。
[0079]
s4：若达到最大迭代次数t，则输出全局最优位置，即目标优化函数的最优解；否则，则继续迭代更新种群n和种群m的位置。
[0080]
本实施例将最大迭代次数t设为500。
[0081]
实施例2
[0082]
为了对本方法中采用的技术效果加以验证说明，本实施例选择的传统的优化方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
[0083]
传统的优化方法只能实现单目标优化，且优化效果差。
[0084]
为验证本方法相对传统的优化方法具有较高优化效率且能实现多目标优化，本实施例中将采用传统的优化方法和本方法分别对某地区的配电网进行优化调度对比。
[0085]
配电网中电源主要有柴油机、光伏发电、燃料电池以及配电网常规机组，其对应的相关运维参数见表1；优化结果如表2所示。
[0086]
表1：配电网分布式电源的运维参数表。
[0087] 柴油机光伏发电燃料电池配电网常规机组额定功率/kw202050
‑‑
安装成本(万元/kw)3.897.305.21
‑‑
燃料成本(元/kwh)1.215
‑‑‑‑
0.493so2排放系数(g/kwh)0.3600.00492.36no
x
排放系数(g/kwh)15.3600.01261.96co2排放系数(g/kwh)7200593913
[0088]
表2：优化结果对比。
[0089][0090]
由上表可见，本方法的优化效果要优于传统的优化方法，相对于传统的优化方法，本方法所需的运行费用节省了26.95％，污染处理费用节省了37.89％，总费用节省了40.54％，提高了配电网的环保性和经济性。
[0091]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。